本文将详细介绍一下如何搭建深度学习所需要的实验环境.
这个框架分为以下六个模块

显卡

简单理解这个就是我们常说的GPU,显卡的功能是一个专门做矩阵运算的部件,用于显示方面的运算,现在神经网络中绝大操作都是对矩阵的运算,所以我们当然可以将显卡的矩阵运算功能应用起来,来提高计算速度.

驱动

通常指NVIDIA Driver，其实它就是一个驱动软件，而前面的显卡就是硬件

cuda

cuda是一个扩展包,能够使得使用GPU进行通用计算变得简单和优雅,它本质上是一套指令集,我们通过这个指令集来使用显卡的矩阵运算操作;

Q:如何查看显卡支持的cuda的最高版本?

anaconda

1. 下载安装

下载官网：https://www.anaconda.com/

选择与系统位数对应的安装包下载即可。

Anaconda占用空间较大，建议选择一个空闲的磁盘专门用来放Anaconda。

勾选添加环境变量

2. 安装pytorch虚拟环境

1. 创建一个虚拟环境：conda create -n torch(虚拟环境名) python = 3.7

此步骤 若出现以下情况：

解决方法：
在创建新的虚拟环境前先输入以下命令。

conda config --add channels conda-forge
conda config --set channel_priority strict
conda config --set channel_priority flexible

这个路径下存放的就是我们创建好的虚拟环境，torch文件夹下存放的就是我们在该环境下安装的一些包等等。

2. 激活并进入该环境：conda activate torch

激活环境前处于“大厅”位置（base），在激活torch环境后，我们可以看到已经进入了我们刚才新建的torch环境下（torch）。

3. 查看该环境下装了哪些工具包：conda list

4. 下载pytorch：conda activate torch

下载官网：https://pytorch.org/
进入pytorch官网选择对应的一些选项，在最后一行会生成与之相对应的代码行，复制到终端窗口执行即可。

该命令行表示从pytorch下载前面四个工具包。

Q：如何解决下载速度过慢的问题？

由于这些网站的服务器都在国外，我们下载的话速度会非常慢，为了解决这个问题，国内有些大佬做了镜像网站，一段时间会专门去更新一次，所以换到镜像网站下载速度会大大提升。

清华源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --set show_channel_urls true

中科大源：
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

本次安装我们换清华源

换源后查看一下是否换源成功，channels表示下载通道，其中的网址都是清华源的网址，说明换源成功。

换掉原本的下载指令，去掉后面的 -c pytorch，表示从当前的清华源下载。

以下我们的pytorch虚拟环境以及一些工具包已经装好了。

5. 退出当前虚拟环境，回到大厅：conda deactivate

6. 查看当前anconda中都有哪些虚拟环境：conda info -e

• 表示此时处于大厅位置。
  

7. 在pytorch环境下编写测试代码

首先进入pytorch虚拟环境

输入命令行import torch，若出现以下标志，说明pytorch已经安装好。

3. conda常用指令

• 创建一个虚拟环境

conda create -n torch[虚拟环境名]  python = 3.7

• 激活并进入该环境

conda activate torch

• 查看该环境下装了哪些工具包

conda list

• 退出当前虚拟环境，回到大厅

conda deactivate

• 查看当前anconda中都有哪些虚拟环境

conda info -e

• 删掉该环境中的所有内容，并且销毁该环境

(base) conda remove -n torch --all

pycahrm / jupyter

下载安装

1. 下载社区版的pycharm，修改安装路径为空闲磁盘。
2. 没有什么需要特别注意的，直接下一步即可。

如何建好的虚拟环境的解释器找出来指派给代码？

我们可以创建多个虚拟环境，比如tensorflow,pytorch等，在用不同的框架时通过下面的设置切换到不同的虚拟环境即可。也有人会把所有的框架等装到一个虚拟环境中，当然理论上也是可以的，只是不方便管理，而且同一个虚拟环境下是不允许安装同一个工具的不同版本，这就非常不利于我们后续的学习。
具体操作如下：


pycharm中运行以下代码测试，若出现以下结果，说明环境搭建完成。
如果下图第二行显示为false，有可能是电脑显卡不支持cuda，只需删除该虚拟环境，重新下载cpu版本的pytorch即可。

import torch

print(torch.__version__)
print(torch.cuda.is_available())

x = torch.randn(1)
if torch.cuda.is_available():
    device = torch.device("cuda")
    y = torch.ones_like(x, device=device)
    x = x.to(device)
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))